B. Sistem Rekomendasi Berita Lomba - POMITS

JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6
1
Rancang Bangun Aplikasi Pengelompokan dan Pemberi
Rekomendasi Berita Lomba Online Menggunakan
Klasifikasi Fuzzy Berbasis Kerangka Kerja Spring
Febri Fernanda, Umi Laili Yuhana, Diana Purwitasari
Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS)
Jalan Teknik Kimia, Kampus ITS Sukolilo, Surabaya 60111
e-mail: [email protected]
Abstrak—Saat ini sebagian besar orang mendapatkan berita
yang diinginkan melalui internet. Sebaliknya, orang yang ingin
mempublikasikan berita yang ditulis juga melalui internet. Salah
satu berita yang beredar dan banyak dibutuhkan adalah berita
lomba. Pada umumnya, untuk mendapatkan berita lomba setiap
orang akan melakukan pencarian pada mesin pencari. Hasil yang
didapatkan dari pencarian masih terlalu umum dan beberapa
menghasilkan data yang tidak relevan. Untuk itu bermunculan
beberapa portal lomba yang memuat berita-berita lomba yang
tersebar di internet. Namun, pengguna masih harus tetap
membuka halaman dan melakukan pencariannya pada masingmasing portal. Dikarenakan setiap portal mempunyai data berita
lomba yang berbeda-beda, maka waktu yang diperlukan untuk
mendapatkan berita lomba yang sesuai kurang efektif.
Pada penelitian ini dikembangkan suatu sistem berbasis web
yang secara berkala mampu memperbarui dan mengelompokkan
kategori data berita lomba dari beberapa portal lomba.
Pengambilan judul dan rangkuman data lomba memanfaatkan
layanan Really Simple Syndication (RSS) sedangkan untuk
mendapatkan konten data lomba memanfaatkan teknologi web
crawler. Sistem berupa sebuah mesin pencari berita lomba
dengan beberapa fungsi penyaringan. Dengan tambahan fitur
pemberi rekomendasi berita berdasarkan profil pengguna dan
sejarah pencarian, maka sistem ini dapat memudahkan pengguna
mendapatkan berita lomba yang diinginkan secara cepat.
Sistem dibangun menggunakan kerangka kerja Spring MVC
agar memudahkan dalam pembangunan dan penggunaan ulang.
Pengelompokkan data berita lomba menggunakan metode Fuzzy
Similarity K Nearest Neighbors (FSKNN) yang mampu mengelompokkan berita lomba ke dalam beberapa kategori sekaligus.
Untuk membangun fitur mesin pencari dan pemberi rekomendasi
berita lomba sistem memanfaatkan pustaka Lucene.
Kata Kunci—Fuzzy Similarity, K Nearest Neighbors, Klasifikasi
Berita, Lucene, Spring
I. PENDAHULUAN
S
AAT ini penyebaran berita lewat internet berkembang
dengan sangat cepat. Salah satunya adalah berita tentang
lomba yang diselenggarakan oleh suatu organisasi atau
institusi. Permasalahan yang muncul adalah pengguna tidak
mudah mengunjungi situs yang menampilkan informasi lomba
tersebut. Dengan hanya memanfaatkan situs mesin pencari,
situs yang dimaksud tidak mudah untuk ditemukan. Beberapa
hasil pencarian berita lomba pada situs pencari memang tepat
menampilkan situs-situs yang merupakan promosi lomba,
namun dari hasil pencarian ditampilkan juga situs yang hanya
memuat artikel berita tentang lomba yang sudah dilaksanakan,
situs yang berupa sebuah iklan, situs cerita pribadi atau blog,
situs video sharing, situs jejaring sosial dan memungkinkan
juga ditampilkan situs ‘tipuan’ yang hanya ingin mengeruk
keuntungan dengan banyaknya lalu lintas pengunjung yang
mengunjungi situsnya.
Untuk menangani masalah tersebut, saat ini telah
bermunculan portal-portal yang khusus menampilkan
informasi tentang lomba-lomba yang sedang diselenggarakan.
Portal tersebut mendapatkan berita lomba dari pencarian
sendiri oleh pengelolanya, info dan kiriman berita dari
pengguna lain serta kerjasama dengan berbagai institusi
terkait sehingga portal tersebut dapat dianggap mewakili
persebaran berita lomba yang ada di internet. Pada portal
tersebut, pengguna harus membuka tautan pada portal satu
persatu lalu baru bisa melakukan pencarian dan penyaringan
jenis lomba yang sesuai dengan keinginan. Walaupun ada label
pada masing-masing berita yang bisa dianggap sebagai
pengelompokan, namun masing-masing portal tidak
mempunyai standard yang sama dalam memberikan label,
sehingga portal satu dengan yang lain berbeda-beda cara
pemanfaatannya. Hal itu membuat waktu akses pengguna
kurang efektif, terlebih jika ditambah dengan waktu untuk
membuka satu persatu portal lomba yang tersedia.
Dari permasalahan di atas, pada penelitian ini akan
dikembangkan sistem yang berkala dapat memperbarui dan
mengelompokkan kategori data berita lomba dari berbagai
portal lomba yang ada. Sistem mengambil data melalui RSS
[1] feed portal lalu melakukan proses crawling ke URL berita
lomba. Sistem juga dapat memberikan rekomendasi lomba
kepada pengguna yang didasarkan atas data profil pengguna
dan sejarah pencarian pada sistem. FSKNN digunakan untuk
melakukan pengelompokan kategori berita lomba. Metode
tersebut mampu mengelompokkan berita secara multilabel
sehingga sangat sesuai digunakan karena berita lomba bisa
memiliki lebih dari satu label. FSKNN dapat diandalkan
karena optimasinya lebih baik dari Pohon Keputusan C4.5 dan
MLKNN [2]. Hasil pengelompokan dimanfaatkan sebagai
variabel penyaring pada fitur pencarian dan pemberi
rekomendasi dengan memanfaatkan pustaka Lucene. Kerangka
kerja Spring MVC akan digunakan dalam pembangunan
sistem, sebab merupakan salah satu kerangka kerja berbasis
pemrograman Java yang cukup populer dan handal [3].
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6
II. DASAR TEORI
A. Sistem Pengelompokan Berita
Sistem pengelompokkan berita merupakan sistem yang
berfungsi untuk mengelompokkan berita dalam kelas-kelas
yang sesuai. Ada dua proses utama dari sistem ini, pelatihan
dan uji coba. Pelatihan digunakan untuk membentuk sebuah
kerangka pengelompokan berdasarkan data dokumen latih.
Sedangkan pengujian digunakan untuk memberikan kelas yang
sesuai terhadap dokumen yang belum terkelompokkan. Alur
proses ideal dari sistem pengelompokan dokumen ditunjukkan
pada Gambar 1.
B. Sistem Rekomendasi Berita Lomba
Sistem rekomendasi berita lomba merupakan sistem yang
bertujuan memperkirakan informasi yang menarik bagi
penggunanya dan juga membantu pengguna dalam
memutuskan jenis berita lomba yang sesuai atau diinginkan
olehnya. Sistem rekomendasi secara khusus merupakan suatu
sistem pemberian saran kepada penggunanya dan
bersifat personal, berbeda untuk semua pengguna sistem.
Rekomendasi yang diberikan pada sistem rekomendasi
dibangun berdasarkan atribut-atribut yang dimiliki oleh
pengguna, semisal kegemaran, keahlian, pekerjaan dan
sebagainya.
Training
Document
Feature Extraction
Pre Process
Document Representation
Test
Document
Class Keyword
Database
Classifier
Class A
Class B
Class C
Gambar 1. Alur Proses Sistem Pengelompokan Dokumen [4]
2
pengguna. Implementasi algoritma memanfaatkan pustaka
Lucene.
C. Spring Web MVC
Spring Web MVC merupakan bagian dari modul Spring
Web Servlet yang ada pada kerangka kerja Spring. Kerangka
kerja Spring Web MVC dirancang di sekitar DispatcherServlet
yang mengirimkan permintaan ke handler.
Ada tiga cara kerja utama Spring Web MVC [3].
1. DispatcherServlet
 Kerangka Spring Web MVC dirancang di sebuah
DispatcherServlet.
 Menangani permintaan (request) yang didasarkan pada
pengaturan di file Extensible Markup Language (XML).
2. Mapping Request
 Konfigurasi pemetaan (mapping) untuk pembangunan
aplikasi web tersimpan dalam web.xml.
3. Spring IoC Container
 Merupakan inti dari kerangka kerja Spring.
 Berupa file konfigurasi untuk memanajemen objek-objek
yang ada di dalam aplikasi.
Spring Web MVC memisahkan lapisan elemen
pembangunan menjadi elemen model, elemen view, dan
elemen controller. Pemisahan tersebut dapat dijadikan standar
dalam pembuatan kode program sehingga memudahkan dalam
perawatan dan pengembangan ulang perangkat lunak. Aliran
kerja proses Spring Web MVC ditunjukkan pada Gambar 3.
D. Fuzzy Similarity K Nearest Neighbors (FSKNN)
FSKNN merupakan algoritma klasifikasi dokumen secara
multilabel. Algoritma ini menyempurnakan algoritma MLKNN
dengan perbaikan di sisi komputasi [2] karena penambahan
algoritma clustering untuk pencarian k-tetangga terdekat.
Secara umum, FSKNN terdiri dari dua bagian :
1. Pelatihan data
Proses pelatihan data digunakan untuk mengelompokkan
dokumen ke dalam kategori-kategori yang mungkin masih
terjadi ketidaksesuaian pada kategori aslinya. Proses ini
membentuk desain yang digunakan dalam pencarian
kategori suatu dokumen yang belum diketahui kategorinya.
Hasil pelatihan digunakan sebagai acuan untuk menentukan
klasifikasi pada dokumen yang sebenarnya. Pada bagian ini
terdapat dua tahap proses, yaitu proses pengelompokkan
data latih ke dalam kategori dan perhitungan nilai prior dan
likelihood yang digunakan untuk membentuk sebuah desain
dalam penentuan kategori dokumen baru.
Gambar 2. Alur Proses Content Based Filtering [5]
Beberapa algoritma telah diusulkan untuk sistem
rekomendasi, salah satunya adalah content-based filtering[5]
dimana alur prosesnya ditunjukkan pada Gambar 2.
Penelitian ini mengadopsi alur proses pada content-based
filtering. Algoritma yang digunakan memanfaatkan ilmu temu
kembali informasi, yakni dengan mencari nilai kesamaan dari
dokumen-dokumen berita lomba dengan data profil dari
Gambar 3. Aliran Kerja Proses Spring Web MVC [6]
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6
Proses-proses pada pelatihan data sebagai berikut.
a. Pengelompokan data latih ke dalam kategori-kategori
Tahap ini bertujuan untuk mendapatkan derajat
keanggotaan suatu dokumen terhadap kategori. Tahap
ini yang diyakini mampu memperbaiki sisi komputasi
dari metode-metode sebelumnya.
1. Menghitung distribusi term pada setiap kategori.
2. Menghitung nilai keanggotaan setiap term pada
setiap kategori.
3. Menghitung nilai keanggotaan setiap term terhadap
setiap dokumen.
4. Menghitung fuzzy similarity setiap dokumen
terhadap setiap kategori.
5. Menghitung nilai keanggotaan dokumen pada setiap
kategori.
6. Melakukan clustering dokumen ke dalam kategori
yang sesuai. Untuk setiap dokumen, apabila nilai
derajat keanggotaan pada suatu kategori lebih dari
threshold, maka dokumen tersebut merupakan
anggota pada kategori yang dimaksud.
7. Membentuk himpunan pencarian pada setiap
dokumen.
b. Menghitung nilai prior dan likelihood
1. Menghitung nilai prior.
2. Menemukan k-nearest neighbours (k tetangga
terdekat) dokumen pada himpunan pencarian yang
telah terbentuk. Perhitungan ini memanfaatkan
pembobotan tf-idf dan persamaan kosinus
3. Menghitung nilai likelihood.
2. Pengujian
Proses pengujian digunakan untuk mengelompokkan
dokumen baru ke dalam kategori yang sesuai:
a. Menghitung nilai keanggotaan dokumen pada kategori
memanfaatkan nilai yang didapat pada proses pelatihan
data.
b. Pengecekan nilai keanggotaan dokumen pada kategori.
Jika nilai lebih besar dari threshold, maka dokumen
tersebut diklasifikasikan ke dalam kategori tersebut.
c. Membentuk himpunan pencarian dari dokumen
tersebut.
d. Menemukan k tetangga terdekat dokumen pada
himpunan pencarian yang telah terbentuk.
e. Menghitung nilai label vector dokumen untuk setiap
kategori berdasarkan nilai prior dan likelihood, jika
nilai label vector adalah 1 maka dokumen merupakan
anggota kategori, sebaliknya jika nilai 0 maka dokumen
tidak termasuk ke dalam kategori.
E. Lucene
Lucene merupakan pustaka untuk mesin pencari yang
bersifat open source [7]. Lucene dapat mengindeks informasi
berbasis teks dan pencarian berdasarkan berbagai jenis
penyaringan berdasarkan kriteria. Lucene memiliki
kemampuan pencarian yang sangat fleksibel dan kuat,
menggunakan logika Fuzzy untuk menemukan item dari
indeks. Lucene memiliki kelas-kelas utama yang digunakan
untuk membangun mesin pencari.
3
1. Kelas Document mewakili sebuah dokumen pada Lucene.
Lucene mengindeks objek dokumen dan mendapatkan
objek dokumen kembali ketika melakukan pencarian.
2. Kelas Field merupakan bagian dari kelas Document.
Objek Field akan berisi nama dari suatu bagian beserta
data aktualnya.
3. Kelas Analyzer adalah kelas abstrak yang digunakan untuk
menyediakan sebuah interface yang mampu memproses
kelas Document dan mengubahnya menjadi token sehingga
dapat diindeks. Ada banyak implementasi dari kelas ini
tapi yang paling umum digunakan adalah SimpleAnalyzer
dan StandardAnalyzer.
4. Kelas IndexWriter digunakan untuk menciptakan dan
memelihara indeks.
5. Kelas IndexSearcher digunakan untuk mencari dokumen
melalui indeks.
6. Kelas QueryParser digunakan untuk membangun parser
yang digunakan untuk pencarian melalui indeks.
7. Kelas Query adalah kelas abstrak yang berisi kriteria
pencarian yang dibuat oleh QueryParser.
8. Kelas Hits berisi objek dokumen yang dikembalikan dari
proses pencarian dengan kelas Query pada indeks.
III. ANALISIS DAN PERANCANGAN
A. Perancangan Kasus Penggunaan
Kebutuhan fungsional berisi kumpulan proses bisnis dalam
perangkat lunak yang harus dipenuhi. Kebutuhan fungsional
mendeskripsikan fitur-fitur yang dimiliki sistem. Daftar
kebutuhan fungsional sistem ditunjukkan pada Tabel 1.
Sedangkan representasi kebutuhan fungsional pada diagram
kasus penggunaan ditampilkan pada Gambar 4.
B. Perancangan Arsitektur Sistem
Sistem dibangun menggunakan pengembangan terpisah
antara aplikasi klien dan server. Sisi klien adalah aplikasi yang
dapat diakses melalui perambah situs web, sedangkan sisi
server berupa aplikasi yang terinstal pada komputer server.
Diagram arsitektur sistem ditunjukkan pada Gambar 5. Dalam
diagram tersebut, pengguna yang dimaksud adalah pengguna
akhir dari sistem yang tidak mempunyai hak akses istimewa.
Pengelola adalah pengguna yang mempunyai hak akses
istimewa untuk dapat melakukan perawatan konten seperti
manajemen portal dan manajemen berita. Sedangkan
Tabel 1. Kebutuhan Fungsional Sistem
Kebutuhan Fungsional
Deskripsi
Sistem mampu memperbarui data
Memperbarui data berita
berita lomba dengan membaca data
lomba
pada portal lomba
Sistem mampu mengklasifikasi
Melakukan proses
berita lomba ke dalam kategori
klasifikasi berita lomba
tertentu
Sistem mampu mengirimkan
Mengirimkan rekomenrekomendasi lomba ke pengguna
dasi berita lomba
melalui surat elektronik
Pengguna dapat melakukan
Mencari berita lomba
pencarian berita lomba
Pengguna dapat mendaftarkan
Mendaftar keanggotaan
keanggotaanya ke dalam sistem
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6
Mengubah data profil
Melihat rekomendasi
berita lomba
Mengelola konten sistem
Pengguna terdaftar dapat mengubah
data profil pribadinya
Pengguna dapat melihat rekomendasi
berita lomba yang sesuai dengan
proil pribadi dan sejarah pencarian
Pengelola dapat mengelola konten
sistem yang meliputi data portal
lomba, data berita lomba, dan data
pengaturan berita pilihan
4
Diagram Kelas Model
CompetitionNews
ListNewsCategory
ListNewsTerm
SiteSource
CompetitionNewsCategory
Term
ListTrainingTerm
SiteSourceSetting
User
UserSearchHistory
TrainingDataset
UserSetting
CompetitionNewsSelection
Gambar 6. Diagram Kelas Sistem
C. Perancangan Diagram Kelas
Perancangan dari hubungan antara Kelas-Kelas utama yang
diperlukan dalam membangun sistem digambarkan dengan
diagram kelas pada Gambar 6.
Gambar 4. Diagram Kasus Penggunaan
admin adalah pengguna yang mengoperasikan aplikasi desktop
pada server. Aplikasi desktop mempunyai fitur untuk
melakukan klasifikasi yang meliputi beberapa proses seperti
pra pemrosesan teks, penghitungan bobot dan penghitungan
nilai untuk klasifikasi.
Client
Server
Mencari berita
Mendapatkan rekomendasi
Pengguna
D. Perancangan Arsitektur Pembangunan Perangkat Lunak
Perangkat lunak dibangun dengan menggunakan arsitektur
3-tier yaitu arsitektur MVC yang terdapat pembagian layer
menjadi lapisan model, view, dan controller. Dalam
prakteknya, terdapat beberapa lapisan pendukung, diantaranya
adalah lapisan data akses dan lapisan servis. Diagram
arsitektur MVC yang telah disesuaikan dengan lapisan
pendukung sistem dapat dilihat pada Gambar 7.
Lapisan Model merepresentasikan tabel-tabel pada basis
data dalam bentuk kelas. Lapisan View berupa lapisan yang
menghubungkan sistem dengan pengguna. Lapisan ini
menghasilkan bentuk antarmuka. Lapisan Controller berisi
logika-logika bisnis yang ada pada perangkat lunak. Lapisan
ini berhubungan erat dengan lapisan view karena pemanggilan
fungsi-fungsi dalam lapisan ini adalah melalui lapisan view.
Lapisan Akses Data merupakan penghubung antara servis
dengan lapisan basis data. Lapisan ini mengurusi segala
perubahan basis data, termasuk pembacaan dan penyimpanan.
Semua perubahan basis data dilakukan dengan menggunakan
objek instance dari kelas lapisan model. Lapisan Servis
merupakan penghubung antara lapisan akses data dengan
lapisan Model. Lapisan ini berisi fungsi-fungsi logika
manipulasi Model yang akan disalurkan ke akses data.
Web Browser
Melakukan perawatan konten
Aplikasi Server
(Tomcat + Aplikasi web)
Database
Web Browser
Pengelola
Mengelola database
Aplikasi desktop
Admin
Gambar 5. Arsitektur Kerja Sistem
Gambar 7. Diagram Arsitektur MVC Termodifikasi
IV. IMPLEMENTASI
Pada aplikasi klien, sistem dibangun menggunakan kerangka
kerja Spring sedangkan pada server menggunakan Java SE.
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6
Implementasi yang dilakukan berupa implementasi kode dan
antarmuka. Dalam bab ini, dijelaskan beberapa hasil
implementasi antarmuka dari sistem. Gambar 8 – Gambar 10
merupakan beberapa cuplikan antarmuka sistem pada sisi
klien. Sedangkan Gambar 11 menggambarkan salah satu
contoh alur implementasi MVC Spring dari proses utama.
5
UC-01
UC-02
UC-03
UC-04
Uji Coba Melakukan Proses
Klasifikasi Berita Lomba
Uji Coba Memperbarui Data
Berita Lomba dari Portal
Uji Coba Mengirimkan
Rekomendasi Lomba ke Pengguna
Berlangganan
Uji Coba Melakukan Pencarian
Berita Lomba
Berhasil
Berhasil
Berhasil
Berhasil
UC-05
Uji Coba Mendaftar Keanggotaan
Berhasil
UC-06
Uji Coba Melihat Rekomendasi
Berhasil
UC-07
Uji Coba Mengubah Data Profil
Berhasil
V. PENGUJIAN DAN EVALUASI
A. Pengujian Fungsionalitas
Pengujian fungsionalitas dilakukan dengan melihat apakah
fitur-fitur yang disediakan aplikasi berjalan sebagaimana
mestinya Hasil pengujian fungsionalitas sistem terangkum
dalam Tabel 2.
Gambar 8. Layar Utama Aplikasi
B. Pengujian Non Fungsionalitas
Pengujian non fungsionalitas dilakukan dengan menguji
akurasi hasil klasifikasi berita lomba yang dilakukan oleh
aplikasi. Pengujian dilakukan dengan melakukan klasifikasi
terhadap data berita lomba baru yang didapat dari portal
lomba. Jumlah berita lomba baru adalah 161 yang didapat dari
7 portal. Beberapa skenario inisialisasi nilai threshold dan
nilai k diuji coba untuk mendapatkan hasil yang terbaik.
Rangkuman hasil pengujian non fungsionalitas perangkat
lunak ditampilkan pada Tabel 3. Hasil tersebut didapat dengan
nilai k=10 dan threshold =0.8.
Beberapa hipotesis faktor penyebab kurang akuratnya hasil
klasifikasi berita lomba sebagai berikut:
1. Beberapa konten berita lomba yang didapat dari portal
bukan merupakan konten tentang berita lomba secara utuh,
kadang hanya berupa sedikit penjelasan sumber berita atau
hanya menampilkan poster saja. Beberapa lomba bahkan
ada yang menggunakan bahasa Inggris. Hal tersebut
menyebabkan corpus term yang dimiliki oleh berita lomba
kurang relevan.
Gambar 9. Layar Pendaftaran Aplikasi
Gambar 10. Layar Pencarian Aplikasi
search.jsp (Gambar 4.3 )
View
Basis Data
showResult
search()
SearchController
Controller
Data Akses
CompetitionNewsDAO
getSearchCompetitionNews()
listNews
Model
getSearchResult()
CompetitionNewsService
CompetitionNews
listNews
listSearchResult
Service
Gambar 11. Alur MVC Pencarian Berita Lomba
Tabel 2. Hasil Pengujian Fungsionalitas
ID
Nama
Hasil
Tabel 3. Hasil Pengujian Akurasi
Hasil
Kategori
Jumlah
Persentase
data
Prediksi kategori sama tepat
263
66.92 %
dengan hasil klasifikasi
Prediksi kategori sama
46
11.70 %
sebagian dengan hasil
klasifikasi (Berupa himpunan
bagian)
Prediksi kategori sama
3
0.76 %
sebagian dengan hasil
klasifikasi (Berupa himpunan
irisan)
Prediksi kategori sama sekali
81
20.61 %
tidak mirip dengan hasil
klasifikasi
TOTAL
393
99.99 %
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6
2. Daftar stopwords yang telah dibuat masih kurang optimal,
kemungkinan ada term yang sebenarnya diperlukan tetapi
tidak bisa digunakan karena masuk ke dalam stopwords
atau sebaliknya.
3. Data latih yang digunakan untuk melatih data klasifikasi
belum mewakili semua kategori secara merata.
C. Pengujian Penggunaan
Pengujian penggunaan dilakukan untuk memastikan bahwa
perangkat lunak yang dibangun tercapai manfaatnya dalam
memenuhi kebutuhan pengguna. Pengujian penggunaan
dilakukan di lingkungan teknik informatika ITS, dimana
perangkat lunak server ditempatkan pada komputer server
laboratorium Rekayasa Perangkat Lunak. Tujuan dari
pengujian ini adalah untuk menilai penggunaan antarmuka
sistem, aliran informasi dan kebermanfaatan perangkat lunak
secara objektif. Sasaran pengguna untuk pengujian adalah
mahasiswa jurusan teknik informatika. Pengujian ini
memanfaatkan kuisioner.
Secara umum, sebagian besar pengguna mengemukakan
pendapat bahwasannya perangkat lunak yang dibangun
merupakan perangkat lunak berbasis web yang terorganisir
dengan baik. Pengguna merasa dimudahkan dengan adanya
perangkat lunak yang dapat membantu mereka menemukan
lomba yang sesuai. Pengguna juga menganggap bahwa mereka
cocok dengan perangkat lunak sehingga pengguna tertarik
untuk
menggunakannya
dikemudian
hari
dan
merekomendasikan teman-teman lainnya untuk menggunakan
perangkat lunak ini.
D. Pengujian Indeks Kappa
Pengujian indeks kappa digunakan untuk menguji
konsistensi dari pelabelan data hasil pengelompokan (yang
dijadikan sebagai gold set ). Nilai indeks kappa didasarkan
atas dua pakar yang menilai label data pengujian menurut
pengetahuan masing-masing. Dari kedua penilaian tersebut
maka dihitung nilai indeks kappa-nya untuk disimpulkan
apakah pelabelan data pengujian dapat diterima. Indeks kappa
dihitung menggunakan persamaan:
dimana P(A) adalah proporsi berapa kali pakar saling setuju
dan P(E) merupakan proporsi pakar sama-sama setuju hanya
karena kebetulan.
Jumlah data pengujian yang digunakan dibatasi sejumlah
115 sebagai sampel dengan jumlah kategori 5. Dari matriks
dan perhitungan formula indeks kappa didapat k=0.924 yang
menunjukkan bahwa penilaian label dari pakar memiliki
tingkat konsistensi yang tinggi dan dapat diterima.
VI. KESIMPULAN
Berdasarkan hasil pengamatan selama proses perancangan,
implementasi dan pengujian perangkat lunak dalam penelitian
ini, dapat diambil kesimpulan sebagai berikut.
1. Kerangka
kerja
Spring
Web
MVC
dapat
diimplementasikan dengan baik ke dalam aplikasi web
untuk aplikasi klien perangkat lunak.
6
2. Metode FSKNN dapat diimplementasikan dengan baik dan
bisa berjalan sesuai dengan spesifikasinya.
3. Proses pembacaan RSS feed dan crawling ke URL terkait
sehingga data berita lomba bisa didapatkan secara otomatis
dapat terimplementasikan dengan baik.
4. Pustaka Lucene dapat terimplementasi dengan baik untuk
membangun sistem mesin pencari dan pemberi
rekomendasi.
5. Hasil pengujian hasil klasifikasi bisa disebut cukup akurat
dengan persentase kebenaran sempurna sebesar 66.92 %,
kesalahan sempurna sebesar 20.61 % dan sisanya
merupakan kebenaran parsial.
6. Hasil pengujian yang dilakukan menunjukan fungsionalitas
dan penggunaan perangkat lunak berjalan dengan tepat
guna sesuai tujuan dan manfaat.
UCAPAN TERIMA KASIH
Para Penulis mengucapkan terima kasih kepada Allah SWT
atas limpahan rahmat dan hidayah-Nya dan semua pihak yang
telah membantu dalam penelitian maupun penulisan makalah
ini.
DAFTAR PUSTAKA
[1]
[2]
[3]
[4]
[5]
[6]
[7]
RSS Advisory Board. Diakses pada Mei 2012. Really Simple
Syndication
Specifications,
Tutorials
and
Discussion,
<URL:http://www.rssboard.org/rss-specification>.
T Jiang,Jung-Yi, Tsai,Shian-Chi, Lee,Shie-Jue. 2011. FSKNN: Multilabel Text Categorization based on Fuzzy Similarity and K Nearest
Neighbors.
Gunawan, Budi. Diakses pada Juni 2012. Apa itu Spring Framework,
<URL:http://budigunawan.wordpress.com/2010/02/01/apa-itu-springframework>.
Chiang, Ding-An. 2008. Expert Systems with Applications.
Meteren, Robin van , Someren, Maarten van. Using Content-Based
Filtering for Recommendation.
Johnson, Rod. 2004. Spring Framework Reference Documentation.
The Apache Software Foundation. Diakses pada Mei 2012. Apache
Lucene Core, <URL:http://lucene.apache.org/core/>.